BAB I

PENDAHULUAN
1.1 Latar Belakang
Dalam perkembangan ilmu pengetahuan, suatu ilmu bisa dipadukan dengan
beberapa ilmu lain. Matematika yang dipadukan dengan Biologi melahirkan ilmu
Matematika Biologi. Begitu juga dengan ilmu Statistik, bisa dipadukan dengan ilmu
lain. Perpaduan ilmu statistik dan geologi melahirkan ilmu Geostatistik.
Geostatistika merupakan salah satu ilmu yang menggunakan analisis
spasial. Analisis spasial merupakan analisis yang memiliki atribut lokasi,
seperti halnya lokasi absolut (koordinat).

Geostatistika awalnya dikembangkan

dalam industri mineral untuk menaksir cadangan-cadangan mineral yang ada

dibumi. Hal yang paling penting dalam perhitungan cadangan adalah penaksiran.
D.K. Krige, seorang insinyur pertambangan Afrika Selatan, memperkenalkan salah
satu metode penaksiran yang digunakan untuk menangani variabel teregionalisasi
(regionalizedvariable). Variabel teregionalisasi adalah variabel yang mempunyai
nilai berbeda (bervariasi) dengan berubahnya lokasi/tempat. Metode penaksiran
yang digunakan untuk menangani variabel teregionalisasi disebut dengan metode
kriging. Pada tahun 1960an, Kriging dikembangkan dalam geostatistika oleh
Georges Matheron (Suprajitno Munadi, 2005: 4).
Pada perkembangannya, banyak metode kriging yang dikembangkan untuk
menangani berbagai macam kasus yang ada dalam data geostatistik salah satu kasus
yaitu terdapat data kandungan mineral tersampel yang tidak memiliki trend
(kecenderungan) tertentu. Metode kriging yang sesuai untuk menyelesaikan
kasus tersebut antara lain simple kriging dan ordinary kriging. Simple kriging
digunakan pada saat rata-rata populasi diketahui, sedangkan pada ordinary
kriging digunakan pada saat rata-rata populasi tidak diketahui. Namun, pada
kesempatan kali ini akan dibahas tentang metode ordinary kriging karena pada
kenyataannya rata-rata populasi tidak dapat diketahui.
1

1.2 Rumusan Masalah

1. Apa yang dimaksud dengan ordinary kriging ?
2. Bagaimana sifatsifat estimator ordinary kriging ?
1.3 Tujuan
Tujuan penulisan makalah ini yaitu :
1. Menjelaskan pengertian ordinary kriging
2. Mengetahui sifat sifat estimator pada ordinary kriging.

BAB II
TINJAUAN PUSTAKA
2.1

Data Spasial
Pada geologi, terdapat dua jenis data yang merepresentasikan fenomena-

fenomena yang terdapat di dunia nyata. Salah satu jenis data tersebut adalah
jenis data yang merepresentasikan aspek-aspek keruangan dari fenomena
tersebut. Jenis data seperti ini sering disebut sebagai data-data posisi, koordinat,
ruang atau spasial. Data spasial merupakan data yang disajikan dalam posisi geografis
dari suatu obyek, berkaitan dengan lokasi, bentuk dan hubungan diantaranya
dalam ruang bumi. Penyajian data geografik dilakukan dengan menggunakan
titik, garis dan luasan. Data spasial dapat berupa data diskret atau kontinudan dapat
juga memiliki lokasi spasial beraturan(regular)maupun tak beraturan(irregular). Data
spasial dikatakan mempunyai lokasi yang regular jika antara lokasi yang saling
berdekatan satu dengan yang lain mempunyai posisi yang beraturan dengan
jarak sama besar, sedangkan dikatakan irregularjika antara lokasi yang saling
berdekatan satu dengan yang lain mempunyai posisi yang tidak beraturan dengan
jarak yang berbeda.
2.2

Variabel Acak Kontinyu

Definisi 2.2.1 :
Variabel acak

X disebut suatu variable acak diskrit jika terdapat fungsi f ( x) ,

yaitu fungsi densitas peluang (pdf) dari

komulatif (CDF) dari

X , sedemikian sehingga fungsi distribusi

adalah fungsi F yang memenuhi hubungan sebagai

berikut :
x

F ( X ) = f ( t ) dt

Teorema 2.2.2 :
Fungsi f(x) adalah pdf dari suatu variable acak kontinyu X jika dan hanya jika
memiliki dua sifat berikut :
1.

f ( x ) 0 untuk setiap x

2.

f ( x ) dx=1

2.3 Ekspektasi
Definisi 2.3.1 :
Misalkan X suatu peubah acak kontinyu dengan pdf f maka :
1. Ekspektasi X adalah suatu nilai yang dinyatakan dengan symbol E(X) yang
besarnya ditentukan dengan rumus :

E ( X )= xf ( x ) dx

Jika integral tersebut bersifat konvergen.

2. Jika integral tersebut tidak konvergen, maka Ekspektasi X tidak ada.
Teorema 2.3.2 :
Ekspektasi X mempunyai sifat sebagai berikut :
E ( aX +b )=aE ( X )+ b
2.4 Variansi
Definisi 2.4.1 :
Variansi dari suatu peubah acak X didefinisikan sebagai berikut :
Var ( X )=E [ X E ( X ) ]

Sifat variansi dapatditunjukan pada beberapa teorema berikut :

Teorema 2.4.2
Jika X peubah acak, a dan b suatu konstanta maka :
1.

2
Var ( X )=E ( X )[ E ( x ) ]

2.

Var ( aX +b ) =a2 Var ( X )

2.5 Kovariansi
Definisi 2.5.1 :
Nilai kovariansi dari peubah acak X dan Y didefinisikan sebagai berikut :
Cov ( X , Y )=E [ ( XE ( x ) ) (Y E (Y ))]
Sifat-sifat kovariansi dapat ditunjukan pada beberapa teorema berikut :
Teorema 2.5.2
Jika X dan Y suatu peubah acak, a dan b suatu konstanta maka :
1.
2.
3.

Cov ( aX , bY )=ab Cov ( X ,Y )

Cov ( X + a ,Y +b )=Cov ( X ,Y )
Cov ( X , aX +b )=a Var ( X )

Teorema 2.5.3
Jika X dan Y suatu peubah acak independen dengan Cov ( X , Y )=0 maka :
Cov ( X , Y )=E ( XY ) E ( X ) E (Y )
2.6 Vektor
Suatu susunan bilangan real

x 1 , x 2 , , x n yang disusun dalam bentuk kolom

atau baris disebut vector, yang dinyatakan sebagai berikut :

[]

x1
x= x 2

xn

atau

x=[x 1 , x 2 , , x n ] .

2.7 Matriks
Definisi 2.7.1:
Matriks adalah suatu susunan segi empat siku-siku dari bilangan-bilanagan. Bilanganbilangan dalam susunan tersebut dinamakan entri matriks.

aij

Jika A adalah sebuah matriks, maka

menyatakan entri yang

terdapat dalam baris i dan kolom j dari A. Jadi sebuah matriks 2x3 yang
umum dapat dituliskan sebagai :
A=

2.7.1

a11 a 12 a13
a21 a 22 a23

Matriks Persegi
Matriks persegi merupakan suatu matriks dimana banyaknya baris sama

dengan banyaknya kolom. Matriks A dikatakan matriks persegi orde n jika

banyaknya baris sama dengan banyaknya kolom, yaitu n.
2.7.2

Matriks Identitas
Matriks identitas (identity matrix)adalah matriks persegi dengan bilangan 1

terletak pada diagonal utama sedangkan bilangan 0 terletak di luar diagonal utama.
Matriks identitas dinyatakan dengan I.

( )(

1 0 0
I= 1 0 , 0 1 0
0 1
0 0 1
2.7.3

dan seterusnya

Transpose Matriks
Jika terdapat matriks A yang merupakan sebarang matriks m x n maka

transpose matriks A dinyatakan dengan

adalah matriks n x m yang

diperoleh dengan menukarkan baris dengan kolom pada matriks A. Cara

mengubah yaitu dengan menjadikan baris pertama pada matriks A sebagai kolom
pertama untuk
matriks

At

baris kedua pada matriks A sebagai kolom kedua untuk matriks

A t , dan
seterusnya.
J

ika diketahui suatu matriks A sebagai berikut :

6

a11 a 12 a 1n
A=
a
mn
am 1 am 2

Maka transpore matriks yang diperoleh adalah :

a11 a m 1
At=
a 1n anm

2.7.4

Matriks Invers

Jika A merupakan suatu matriks persegi dimana | A| 0 maka, I suatu metrics

identitas dan
A1=

A1 merupakan invers A, dimana A A1 = A1 A=I .

1
adj A
| A|

Beberapa sifat invers matriks yaitu :

1.
2.

A
1
(1) = A

( AB)1 = B1 A1

2.8 Stasionaritas
Metode ordinary kriging dapat digunakan apabila data yang ada merupakan
data yang bersifat stasioner. Suatu data dikatakan memiliki sifat stasioner
apabila data tersebut tidak memiliki kecenderungan terhadap trend tertentu. Atau
dengan kata lain, apabila fluktuasi data berada disekitar suatu nilai rata-rata
yang konstan, tidak tergantung pada waktu dan variansi dari fluktuasi tersebut.
Terdapat 3 macam stasioneritas dalam geostatistika, yaitu: (Delfiner, 1999: 16)
1. Stritc Stationarity

Variabel acak Z ( s ) dikatakan stritc stationarity jikafungsi distribusi kumulatif

dari

z (s 1) , z (s ) , z (s ) ) dan
2
n

z (s 1+h ) , z (s ) , z (s ) ) sama
2+h
n+h

untuk sebarang nilai h, dengan h merupakan suatu konstanta dan n adalah

pengamatan.

2. Second Order Stationarity

Pada Second Order Stationerity, diasumsikan bahwa E(Z(s)) = m. Berarti
nilai ekspektasi akan konstan untuk semua lokasi s, sehingga akan
mengakibatkan E(Z(s)) = E(Z(s+h) dan kovariansi hanya bergantung pada jarak h
dan tidak bergantung pada lokasi s.
Cov ( h ) =E ( ( Z ( s )m) ( Z ( s+ h )m ) ) =E [ Z ( s )( Zs+h ) ]m

Untuk h=0 maka

Cov ( 0 ) =E ( ( Z ( s )m ) ( Z ( s ) m ) )=E ( [ Z ( s ) 2 m ( Zs ) ]+ m2 )=Var ( Z ( s ) )= 2
2

3. Intrinsic Stationarity
Suatu variabel random dikatakan Intrinsic Stationerity apabila memenuhi
persamaan berikut:
2 ( s , s+ h )=Cov (Z ( s )Z ( s+ h ) , Z ( s )Z ( s +h ) )

Dengan menggunakan asumsi second order stationerity, dan intrinsic stationerity

yang diasumsikan, maka dapat dituliskan hubungan antara variogram, dengan
simbol

, dan kovariansinya sebagai berikut:

2 ( h ) =Var ( Z ( s ) , Z ( s+h ) )=2 22 cov (h)

Dari persamaan tersebut diperoleh hubungan semivariogram yang disimbolkan
dengan , dan kovariansinya yaitu :
( h )= 2Cov( h)
Karena 2=Co v ( 0 ) maka

 ( h )=Cov (0)Cov (h)

BAB III
PEMBAHASAN
3.1

Ordinary Kriging
Ordinary kriging (OK)adalah metode kriging paling sederhana yang terdapat

pada geostatistika. Pada metode ini, memiliki asumsi bahwa rata-rata (mean)
s
tidak diketahui dan bernilai konstan. Pada ordinary kriging, Z () untuk semua

E
nilai s.
Asumsi model prediksi pada ordinary kriging yang digunakan untuk mengestimasi
nilai Z ( s) dengan menggunakan nili data sampel disekitar titik s
s
w Z ( )

adalah

(3.1)

Z^ ( s )=
=1

Estimator eror pada setiap titik merupakan perbedaan antara nilai Z^ ( s ) dengan
nilai Z ( s ) sebenarnya, yang dinyatakan dengan :
e^ ( s ) =Z^ ( s )Z ( s )
Dengan

(3.2)

E ( e^ ( s ) ) =0

Dari persamaan (3.2), diperoleh :

E( e^ ( s ))=E( ^Z ( s ) )E( Z ( s ))
E ( Z^ ( s ) )E ( Z ( s ) )=0

s
w Z( )
n

=1

E
n

=1

w Z (s ) =E ( Z ( s ) )

w E ( Z ( s ) )=E ( Z ( s ) )
=1

w =1
=1

3.2

Sifat-Sifat Ordinary Kriging

Salah satu tujuan kriging, seperti yang sudah dijelaskan pada pembahasan
sebelumnya, yaitu menghasilkan estimator yang bersifat Best Linear Unbiassed
Estimator (BLUE). Berikut akan dibuktikan sifat BLUE pada ordinary kriging:
1. Linear
Model prediksi pada ordinary kriging adalah sebagai berikut :
s
s
s
s
Z ( n)
Z ( 2)++wn
Z ( 1)+ w2
w Z ( )=w1
n

^Z ( s ) =
=1

Dari persamaan diatas, Z^ ( s ) dapat dinyatakan sebagai estimator linear karena

merupakan fungsi linear dari Z ( s ) .

10

2. Unbiased
Akan dibuktikan bahwa Z^ ( s ) merupakan estimator yang takbias terhadap Z ( s )
dengan menunjukan bahwa

E ( Z^ ( s ) )=Z ( s )= .

s
w Z ( )
n

=1

s
Z ( )
Z (s)
w E()
n

E()=
=1

w
E ( Z^ ( s ) )=E
1. E ( Z ( s )) =E ( Z ( s ) ) =Z ( s )=
3. Best
Akan dibuktikan bahwa metode ordinary kriging bersifat best dengan
meminimumkan variansi eror. Dengan asumsi Var ( Z ( s ) )= 2 maka

2
Var ( e^ ( s ) ) =Var ( Z^ ( s )Z ( s ) )=Var ( Z^ ( s )) + Var ( Z ( s ) ) 2 Cov ( Z^ ( s ) , Z ( s )) =V ar ( Z^ ( s ) ) + 2Cov ( Z^

(3.3)

Dengan

11

s
w Z ( )
n

=1

Var ( Z^ ( s ) )=Var
s
s
Z ( )
Z ( ),
w Cov
n

(3.4)

=1

w
n

=1

Dan
s
s
w Z ( ) Z ( s)
n

=1

w Z( ) Z ( s)E ( )
n

=1

Cov ( ^Z ( s ) , Z ( s ) )=E
s
s
n

E(Z ( ) Z ( s)) w E(Z ( ) Z ( s))

=1

w
n

=1

12

s
Z ( ) , Z (s)

w Cov

(3.5)

=1

Dengan subtitusi persamaan (3.4) dan (3.5) kedalam persamaan (3.3) diperoleh :
s
s
Z ( )
Z ( ),

w Cov
n

=1

w
n

Var ( e^ ( s ) ) =
=1

s
Z ( ) , Z (s)

w Cov

(3.6)

2
=1

Dengan syarat
n

w =1
=1

Untuk mencari minimum dari variansi eror, bisa menggunakan lagrange multiplier
dengan parameter lagrange 2p. Persamaan lagrange dinyatakan dengan :

13

s
s
Z ( )
Z ( ) ,

w Cov
n

=1

w
n

F ( w , p )=
=1

s
Z ( ) , Z (s)
w 1
n

=1

+2 p
w Cov
n

=1

Dengan
w 1
n

=1

2 p
Untuk meminimumkan variansi eror, turunan pertama darin persamaan lagrange
tersebut harus = 0. Persamaan lagrange diturunkan terhadap bobot variable (w)
diperoleh :
n

F (w , p )
=2 w Cov (Z ( s ) , Z ( s1 ) )
w1
=1

s
Z ( 1), Z (s )
+2 p
2 Cov

14

F (w , p )
=2 w Cov (Z ( s ) , Z ( s2 ) )
w2
=1

s
Z ( 2) , Z ( s)
+2 p
2 Cov

s
Z( n), Z (s)
+2 p

F (w , p )
=2 w Cov (Z ( s ) , Z ( sn ) )2 Cov
wn
=1
Dengan
F (w , p )
=0
w
Sehingga diperoleh system persamaan:
n

w Cov( Z ( s ) , Z ( s 1) )
=1

w Cov( Z ( s ) , Z ( s 2) )
=1

s
Z ( 1), Z (s )

+ p=Cov
s
Z ( 2) , Z ( s)

+ p=Cov

w Cov( Z ( s ) , Z ( s n ))
=1

s
Z ( n), Z (s)

+ p=Cov

Sistem persamaan tersbut dapat disusun dalam bentuk matriks yaitu :

C . w=D

15

C 11

Cn1
1

C1n

Cnn
1

][ ] [ ]

w1 C1

.
=
1 wn Cn
0 p
1

Untuk menentukan nilai bobot masing-masing titik tersampel terhadap titik yang akan
diestimasi dapat dinyatakan sebagai berikut :
1

w=C D

[ ][

C11
w1

=
wn
Cn1
p
1

Cnn

C 1n

C nn
1

1
0

][ ]
1

C1

Cn
1

: kovariansi antara variabel tersampel pada lokasin dengan variabel tersampel

pada lokasi n

Cn

: kovariansi antara variabel tersampel pada lokasi n dengan variabel yang

akan
diestimasi.

: rata-rata variabel

Persamaan lagrange diturunkan terhadap p, diperoleh :

w 1
n

=1

F (w , p )
=2
p
Dengan

F (w , p )
=0, diperoleh
p
n

w =1

(3.7)

=1

16

Dari penyelesaian persamaan lagrange diatas diperoleh persamaan :

n

w Cov( Z ( s ) , Z ( s ) )
=1

s
Z ( ) , Z (s)
p
Cov

(3.8)

Dengan subtitusi persamaan (3.7) dan (3.8) kedalam persamaan (3.6) diperoleh:
s
Z( ) , Z (s )
2
Cov +
w
n

Var ( e^ ( s ) ) =
=1

s
Z ( ) , Z (s)

w Cov
n

2
=1

s
Z ( ) , Z (s)
w Cov
n

=1
2

BAB IV
PENUTUP
4.1 Kesimpulan

17

1. Metode ordinary kriging merupakan salah satu analisis yang digunakan

untuk mengestimasi cadangan hasil tambang. Metode ordinary kriging
digunakan pada kasus data sampel kandungan mineral dan hasil tambang yang
tidak memiliki trend (kecenderungan) tertentu dengan rerata populasi
tidak diketahui dan bernilai konstan.
2. Estimasi cadangan dengan menggunakan metode ordinary
krigingmenghasilkan the best linier unbiased estimator (BLUE).

18

Daftar Pustaka
Anton, H. (1995). Aljabar Linear Elementer (edisi kelima). (Terjemahan oleh Pantur
Silaban &I. Nyoman Susila). Jakarta: Erlangga.
Bain &Engelhardt. (1992). Introduction to Probability and Mathematical Statistics 2
Nd Edition. California: Duxbury Press.
Cressie, N. A. C. (1993). Statistics For Spatial Data. New York: John Wiley and
Sons. Inc
Delfiner, P. C. P. (1999). Geostatistics Modeling Spatial Uncertainty. New York: John
Wiley and Sons, Inc.
Isaaks, E. H. (1989). Applied Geostatistics. New York: Oxford University Press.
Suprajitno Munadi. (2005). Pengantar Geostatistik. Jakarta: Universitas Indonesia.

19